Predicting Blastocyst Formation in IVF: Integrating DINOv2 and Attention-Based LSTM on Time-Lapse Embryo Images

Título: Predicción de la Formación de Blastocistos en FIV: Integración de DINOv2 y LSTM Basada en Atención en Imágenes de Tiempo Real de Embrión

1. Planteamiento del Problema

La selección del embrión óptimo para transferencia en la Fecundación In Vitro (FIV) es un paso crítico pero desafiante, que actualmente depende en gran medida de la inspección manual de datos de imágenes de tiempo real (time-lapse).

• Limitaciones actuales: Muchos laboratorios de FIV carecen de sistemas completos de tiempo real o sufren interrupciones en la captura de imágenes, lo que resulta en secuencias incompletas o videos fragmentados.
• El desafío: Predecir qué embriones desarrollarán un blastocisto (etapa viable para transferencia) utilizando un número limitado de imágenes diarias (secuencias dispersas) en lugar de videos continuos.
• Necesidad: Existe una brecha en la literatura para modelos que puedan aprender patrones temporales de crecimiento embrionario a partir de pocas imágenes diarias, sin depender de sistemas de imagen continua de alta gama.

2. Metodología Propuesta

Los autores proponen un modelo híbrido novedoso que combina la extracción de características espaciales avanzadas con el modelado temporal secuencial. El flujo de trabajo se divide en las siguientes etapas:

• Preprocesamiento de Datos:
  • Se seleccionan un máximo de 7 fotogramas por video (uno cada 24 horas) para simular la disponibilidad de imágenes diarias en clínicas con recursos limitados.
  • Las imágenes se convierten a escala de grises y se redimensionan a $518 \times 518$ píxeles.
• Extracción de Características Espaciales (DINOv2):
  • Se utiliza DINOv2, un modelo de visión basado en Transformers (ViT) preentrenado de forma auto-supervisada.
  • Este modelo extrae embeddings ricos y jerárquicos de cada imagen individual, capturando características morfológicas detalladas sin necesidad de etiquetado manual previo.
  • Se concatenan los tokens [CLS] y los embeddings promediados de los parches para crear un vector de representación de 1536 dimensiones.
• Modelado Temporal (LSTM con Atención Multi-Cabeza):
  • Los vectores de embeddings se alimentan a una red LSTM (Long Short-Term Memory) mejorada.
  • Se integra una capa de Atención Multi-Cabeza (Multi-Head Attention - MHA) sobre las salidas de la LSTM. Esto permite al modelo reevaluar la importancia de cada fotograma en relación con todos los demás, capturando dependencias de largo alcance y etapas críticas de desarrollo que podrían no ser consecutivas.
  • Se utiliza zero-padding para estandarizar la longitud de las secuencias de entrada.
• Clasificación:
  • La arquitectura final incluye capas de normalización, dropout y una capa densa para la clasificación binaria: Blastocisto vs. No Blastocisto.
  • Se emplea una función de pérdida de entropía cruzada ponderada para manejar el desequilibrio de clases.

3. Contribuciones Clave

• Arquitectura Híbrida DINOv2-LSTM-MHA: Desarrollo de un modelo que combina la potencia de los Transformers preentrenados para la extracción de características morfológicas con la capacidad de las LSTMs y la atención para el modelado temporal secuencial.
• Independencia de Sistemas de Tiempo Real Completo: El modelo está diseñado específicamente para funcionar con secuencias de imágenes dispersas (una imagen al día), lo que lo hace aplicable en laboratorios que no poseen incubadoras de tiempo real completas o que tienen datos incompletos.
• Eficiencia y Precisión: Logra un alto rendimiento computacional y de precisión sin requerir el procesamiento de miles de fotogramas por video, reduciendo costos y complejidad.
• Interpretabilidad: El uso de mecanismos de atención permite identificar qué momentos temporales (días) son más influyentes para la predicción, validando la importancia de las etapas de desarrollo específicas.

4. Resultados Experimentales

El modelo fue evaluado en un conjunto de datos real de 704 videos de embriones (499 blastocistos, 182 no blastocistos).

• Rendimiento Principal:
  • Precisión (Accuracy): 96.4% (superando a los métodos existentes).
  • Área bajo la curva ROC (AUC): 0.99, indicando una capacidad discriminativa excepcional.
  • F1-Score: 0.971 para la clase Blastocisto y 0.918 para la clase No Blastocisto.
• Comparativa:
  • Superó significativamente a modelos anteriores como ResNet50-GRU (93% de precisión) y DenseNet-LSTM (76%).
  • El estudio de ablación demostró que la adición de la capa de Atención Multi-Cabeza mejoró la precisión global en un 2.57% (de 93.86% a 96.43%) en comparación con una LSTM estándar.
• Generalización: El modelo también fue probado en otros conjuntos de datos de series temporales (detección de ocupación, estrés financiero, estado de ojos EEG), mostrando un rendimiento robusto y adaptable.

5. Significado e Impacto

• Accesibilidad Clínica: Esta solución democratiza la tecnología de selección de embriones de alta precisión, permitiendo que clínicas sin sistemas de imagen costosos y continuos puedan beneficiarse de la IA.
• Reducción de la Subjetividad: Asiste a los embriólogos en la toma de decisiones, reduciendo el error humano y la variabilidad en la selección de embriones.
• Eficiencia en FIV: Al predecir con mayor precisión qué embriones llegarán a la etapa de blastocisto, se pueden optimizar las transferencias (incluso en día 3), reduciendo el número de ciclos de FIV necesarios y disminuyendo el estrés emocional y financiero de los pacientes.
• Limitación y Futuro: El estudio reconoce la falta de datos públicos multicéntricos como una limitación para la generalización absoluta, sugiriendo la necesidad de repositorios de datos compartidos y éticos para futuras investigaciones.

En conclusión, el modelo propuesto representa un avance significativo en la aplicación de la IA a la medicina reproductiva, ofreciendo una herramienta robusta, eficiente y accesible para mejorar las tasas de éxito en la FIV mediante el análisis de imágenes embrionarias limitadas.